空间转录组基础分析之整合篇

来自美国的科研人员在《Nature reviews genetics》发表综述文章，回顾了整合scRNA-seq与空间转录组学技术研究的尝试和努力，包括新兴的整合计算方法，并提出了有效结合当前方法的途径。

提高数据分析的准确性和可靠性：空转数据通常具有较高的噪声和异质性，整合分析可以通过融合来自不同来源的数据来提高数据的准确性和可靠性。发现新的生物学信息：空转数据整合分析可以帮助发现新的生物学信息，例如细胞类型之间的相互作用、基因表达的空间模式等。

<生信交流与合作请关注公众号@生信探索> 我把常用的函数写成了几个包，方便之后使用； bioquest 包括三个子包 tl、pl、st 分别是常用的工具包 DdatafFame 的处理、画图、字符串处理； genekit 包括基因名转换、格式转换、差异分析、提取 TCGA 数据等的函数； sckit 包括单细胞分析的一些函数； 可以在https://jihulab.com/BioQuest找到这些函数。 接着 02 中的 adata 继续处理，使用 harmony 整合两个数据，消除批次效应

空间转录组和单细胞转录组整合分析工具大比拼

单细胞 & 空间整合去批次方法比较（2）

10X空间转录组数据分析补充之分子niche

10X空间转录组聚类分析之图卷积网络（graph convolutional network）

10X单细胞（10X空间转录组）数据分析之聚类评估框架（SCCAF）

10X单细胞（10X空间转录组）数据分析之图神经网络框架

空转第三节课多样本整合的补充2（python版本）

10X单细胞（10X空间转录组）多样本批次效应去除分析之RCA2

10X单细胞（空间转录组）数据整合分析批次矫正之liger

最近在进行单细胞相关的数据的处理，由于样本是不同的病理时期的，料想它们在测序的时候也是不同步进行的，因此认为批次效应也肯定是存在的，但是之前没有解除过这方面的问题，在网上看了很多技术帖，有一点基础的了解，再进一步的看看文献原著，希望深入的了解单细胞的批次效应，以及在不同的样本数据情况下，用何种批次处理效果好，以及批次处理效果的标准如何评定。 A benchmark of batch-effect correction methods for single-cell RNA sequencing data 用

10X空间转录组分析之stlearn联合harmony整合多个空间样本

使用细胞类型去卷积（deconvolution）的分析工具去解析每个孔中的细胞类型组成，从而实现对细胞类型的空间定位。

10X单细胞（10X空间转录组）批次去除（整合）分析之Scanorama

10X单细胞（10X空间转录组）整合分析批次处理之细节（harmony）